des konsekutiven Master-Studiengangs Allgemeine Informatik · 2019. 11. 21. · • kooperatives und verantwortliches Arbeiten in Gruppen • Einschätzen der eigenen Stärken und

Wissen durch Praxis stärkt

Modulhandbuch des konsekutiven Master-Studiengangs

Allgemeine Informatik

Master of Science (M.Sc.) Fb2: Informatik und Ingenieurwissenschaften

– Computer Science and Engineering

Seite 2/94

Modulhandbuch zum Studiengang „Allgemeine Informatik“ (M.Sc.)

Stand: 01. 08. 2019

Frankfurt University of Applied Sciences – Fachbereich 2 Informatik und Ingenieurwissenschaften – Computer Science and Engineering

Inhaltsverzeichnis

1 Qualifikationsziele 3

2 Beispielhafter Studienverlauf 5

3 ECTS-/Workload-Übersicht 6

4 Modulbeschreibungen 8

Modul 1 Grundlagen adaptiver Wissenssysteme 8 Modul 2 Maschinelles Lernen 11 Modul 3 Mensch-Maschine Interaktion 14 Modul 4 Spracherkennung und -synthese 17 Modul 5 Bilderkennung 20 Modul 6 Robotics 23 Modul 7 Ontologiesprachen und Semantic Web 27 Modul 8 Künstliche Intelligenz 31 Modul 9 Learning from Data 34 Modul 10 Internet of Things 38 Modul 11 Advanced IT-Security 40 Modul 12 Smart Sensor Network Systems 43 Modul 13 Introductory Data Analysis 45 Modul 14 Data Mining Methods 49 Modul 15 Simulation Methods 53 Modul 16 Advanced Data Structures and Algorithms 56 Modul 17 Pattern Oriented Software Architecture 60 Modul 18 Cloud Computing 63 Modul 19 Advanced Distributed Systems 66 Modul 20 Advanced Formal Modelling 69 Modul 21 Formal Specification and Verification 72 Modul 22 Mathematics Update 75 Modul 23 Advanced Testing Methods 78 Modul 24 Enterprise Architecture Engineering 81 Modul 25 Current Topics in Computer Science 85 Modul 26 Projekt Intelligente Systeme 87 Modul 27 Projekt Digitalisierung 89 Modul 28 Projekt Softwaretechnik 91 Modul 29 Masterarbeit mit Kolloquium 93

Seite 3/94


Stand: 01. 08. 2019


1 Qualifikationsziele Die Absolventinnen und Absolventen sind qualifiziert, um kompetent, eigenverantwortlich und selbständig an-spruchsvolle und innovative Funktionen in Projektierung, Projektdurchführung, Entwicklung, Beratung, Vertrieb in Unternehmen der Wirtschaft, Industrie sowie der öffentlichen Hand auszuüben bzw. sich in der Forschung weiter zu qualifizieren. Die Absolventinnen und Absolventen werden durch das Studienfeld „Softwaretechnik“ in die Lage versetzt, die zeitgemäße Umsetzung von verteilten Geschäfts- und Entwicklungsprozess- und IT-Strategien eigenverantwortlich voranzutreiben, sei es durch Analyse und Konzeption in Forschungs- und Entwicklungsprojekten oder durch die ganzheitliche Herangehensweise im Projektmanagementumfeld. Dabei liegt ein besonderer Fokus auf den Her-ausforderungen durch das automatisierte Lernen aus (großen) Datenmengen unter besondere Berücksichtigung von Sicherheitsaspekten. Im Studienfeld „Intelligente Systeme“ erwerben die Absolventinnen und Absolventen Kenntnisse in Techniken des maschinellen Lernens, der adaptiver Wissensgewinnung und der Interaktion von Mensch und Maschine kombi-niert mit Robotik, Bild- oder Sprachverarbeitung. Dies befähigt die Absolventen aktuelle Schlüsseltechnologien für intelligente interagierende Systeme zu entwickeln, die in einer natürlichen Umwelt auf intuitive Weise mit ihren Nutzern kooperieren. Das Studienfeld „Digitalisierung“ vermittelt die informationstheoretische Methodik und das Handwerkzeug zur Generierung (u. a. mithilfe von Sensoren) und technischen, sicheren Beherrschbarkeit der (großen) Datenmengen, die durch das Internet of Things (IoT) generiert werden. Es ermächtigt ergänzend daher dazu, die Industrie 4.0 mitzugestalten. Aufbauend auf den mit dem Bachelorabschluss erworbenen Kenntnissen werden die Absolventinnen und Absol-venten befähigt, komplexere Probleme und Aufgaben in der unternehmerischen Praxis (z. B. „Industrie 4.0“, „In-ternet der Dinge“, Assistenzsysteme, R&D Projekte) im Team erfolgreich zu bearbeiten. Diese Probleme und Auf-gaben erfordern einen ganzheitlichen und grundlagenbasierten Analyse- und Konzeptionsansatz, für den oft noch keine standardisierten Vorgehensmodelle und/oder widerstreitende Lösungsansätze existieren. Im Rahmen des Studiengangs werden nicht nur die nötigen methodischen und technischen Grundlagen gelehrt, sondern auch relevante soziale und Querschnittskompetenzen, unter anderem:

• selbständiges Bearbeiten wissenschaftlicher Fragestellung aus Fachgebieten der Informatik nach wissen-schaftlichen Methoden, d. h. Untersuchen und Strukturieren des Fachgebiets, Entwickeln von Lösungen für die gegebene Fragestellung und Bewertung von Lösungsalternativen anhand geeigneter Kriterien

• sachgerechtes Darstellen und Diskussion der erarbeiteten Ergebnisse in Vorträgen oder Workshops unter Einsatz geeigneter Medien

• kooperatives und verantwortliches Arbeiten in Gruppen • Einschätzen der eigenen Stärken und Schwächen im Hinblick auf eine führende Rolle, wie z. B. Software-

architekt oder Qualitätsmanager • Entwickeln von Perspektiven für die eigene berufliche Zukunft.

Die Absolventinnen und Absolventen sind weiter befähigt, Implikationen ihres Handelns in Form zukünftiger Pro-bleme, Technologien und Entwicklungen zu antizipieren.

Seite 4/94


Stand: 01. 08. 2019


Seite 5/94


Stand: 01. 08. 2019


2 Beispielhafter Studienverlauf

Seite 6/94


Stand: 01. 08. 2019


3 ECTS-/Workload-Übersicht

Nr. Modultitel

E

C

T

S

Prüfungsform Sprache

G e w i c h t

1 Grundlagen adaptiver

Wissenssysteme

5 cp Mündliche Prüfung min. 20 Min. und max. 30 Min. Deutsch 1

2 Maschinelles Lernen

5 cp Klausur, Dauer 90 Min. Deutsch 1

3 Human Machine Interaction

5 cp

Project (submission period 8 weeks) with presentation (min. 10, max. 20 minutes) Englisch 1

4 Spracherkennung und -synthese

5 cp Mündliche Prüfung min. 20 Min. und max. 30 Min. Deutsch 1

5 Bilderkennung 5 cp Mündliche Prüfung min. 20 Min. und max. 30 Min. Deutsch 1

6 Robotics 5 cp

Written documentation of project result (processing time 6 weeks), presentation of at least 15 min. and max. 30 min. Englisch 1

7 Ontologiesprachen und Semantic Web

5 cp Klausur am Rechner, Dauer 90 Min. Deutsch 1

8 Künstliche Intelligenz

5 cp Klausur, Dauer 90 Min. Deutsch 1

9 Learning from Data

5 cp

Written project report (submission period 6 weeks) with presentation (min. 15, max. 45 minutes) Englisch 1

10 Internet of Things 5 cp


11 Advanced IT-Security

5 cp Written examination (120 minutes) Englisch 1

12 Smart Sensor Network Systems

5 cp


13 Introductory Data Analysis

5 cp Written (computer) examination of 90 minutes duration Englisch 1

14 Data Mining Methods

5 cp Written computer-based examination (90 minutes) Englisch 1

15 Simulation Methods

5 cp Written examination of 90 minutes duration Englisch 1

16 Advanced Data Structures and

Algorithms

5 cp

Written report in the form of a scientific contribution (processing time 6 weeks) and oral presentation of the results in the form of

an event talk according to the rules of a scientific society, i.e., Springer, ACM, IEEE (min. 10 and max. 20 minutes).

Englisch 1

Seite 7/94


Stand: 01. 08. 2019


17 Pattern Oriented

Software Architecture

5 cp Oral examination of at least 15 and maximum 45 minutes duration Englisch 1

18 Cloud Computing 5 cp Written examination of 90 minutes duration Englisch 1

19 Advanced

Distributed Systems


20 Advanced Formal Modelling

5 cp

Written computer-based examination (90 minutes) Englisch 1

21 Formal

Specification and Verification

5 cp

Written computer-based examination (90 minutes)

Englisch 1

22 Mathematics Update


23 Advanced Testing Methods


24 Enterprise

Architecture Engineering

5 cp

Portfolio mit folgenden Werkstücken:

1. Projektarbeit (Bearbeitungszeit 8 Wochen) mit Präsentation (mindestens 20, maximal 30 Minuten). In diesem Werkstück sind maximal 50 Punkte erreichbar.

2. Schriftliches Testat (Prüfungsdauer 60 Minuten). In diesem Werkstück sind maximal 50 Punkte erreichbar.

Die Note ergibt sich aus der Summe der erreichten Punktzahlen. Zum Bestehen reichen 50% der erreichbaren Punkte

aus.

Deutsch 1

25 Current Topics in Computer Science

5 cp

Paper written according to international scientific journal standards (processing time 6 weeks) and oral presentation (min.

15, max. 30 minutes) according to international scientific conference standards.

The grade is calculated by the arithmetic mean of the marks for the written report and oral presentation.

Englisch 1

26 Projekt

Intelligente Systeme

10 cp Projektarbeit (Bearbeitungszeit 15 Wochen) mit Präsentation

(mindestens 30, maximal 60 Minuten) Deutsch 2

27 Projekt Digitalisierung

10 cp

Projektarbeit (Bearbeitungszeit 15 Wochen) mit Präsentation (mindestens 30, maximal 60 Minuten) Deutsch 2

28 Projekt Softwaretechnik

10 cp

Projektarbeit (Bearbeitungszeit 15 Wochen) mit Präsentation (mindestens 30, maximal 60 Minuten) Deutsch 2

29 Masterarbeit mit Kolloquium

30 cp

Master-Arbeit (Bearbeitungszeit 22 Wochen) mit Kolloquium (mindestens 30, maximal 60 Minuten) Deutsch 6

Seite 8/94


Stand: 01. 08. 2019


4 Modulbeschreibungen

Modul 1 Grundlagen adaptiver Wissenssysteme Modultitel Grundlagen adaptiver Wissenssysteme PO

Modulnummer 1 PO

Modulcode Wissen

Studiengang Allgemeine Informatik (M.Sc.) PO

Verwendbarkeit des Moduls BaSys – Intelligente Systeme (M.Sc.) PO

Dauer des Moduls ein Semester PO

Empfohlenes Semester im Studienverlauf 2. Semester

PO

Art des Moduls Pflichtmodul PO

ECTS-Punkte (CP) / Workload (h) 5 CP/150 h

PO

Empfohlene inhaltliche Vorkenntnisse Gute Grundlagenkenntnisse in Mathematik empfohlen

PO

Voraussetzungen für die Teilnahme am Modul Keine

Voraussetzungen für die Teilnahme an der Modulprüfung

Keine PO

Modulprüfung Mündliche Prüfung mind. 20 Min. und max. 30 Min. PO

Lernergebnisse und Kompetenzen

Fachkompetenzen: Die Studierenden verfügen nach Abschluss des Moduls über ein grundlegendes Verständnis über adaptive-lernende Systeme mit Schwerpunkt auf den Paradigmen „genetische Algorithmen“, „genetische Programmierung“, sowie „Classifier Systeme“.

Die Studierenden sind in der Lage, zu Problemstellungen selbständig geeignete adaptive Systeme zu entwerfen, zu implementieren und zu evaluieren.

Personale Kompetenzen: Mit der Arbeit in kleinen Teams sind sie vertraut und hierdurch befähigt Kritik und Konflikten im Team reflektiert zu begegnen.

Ihre Lösungsansätze können sie gegenüber Fachvertretern und auch Laien präsentieren und argumentativ vertreten.

Darüber hinaus haben sie ein besonderes Verständnis für die speziellen Bedingungen von adaptiven Prozessen entwickelt und sind für gesellschaftsrelevante Fragestellungen mit solchen Phänomenen sensibilisiert.

PO

Inhalte des Moduls Grundlagen adaptiver Wissenssysteme PO

Seite 9/94


Stand: 01. 08. 2019


Lehrformen des Moduls Seminaristische Vorlesung mit Anwendungsstudien PO

Sprache Deutsch PO

Häufigkeit des Angebots von Modulen Sommersemester

PO

Modulkoordination Prof. Dr. Thomas Gabel

Hinweise Zur Verfügung stehen eine eLearning-Plattform, ein öffentliches Wiki des Studiengangs, eine Softwareversionsverwaltung, eine webbasierte Plattform für die benutzte Software, ein Onlineskript.

Unitbeschreibung 1: Grundlagen adaptiver Wissenssysteme

Name der Unit Grundlagen adaptiver Wissenssysteme

Code

Name des Moduls Grundlagen adaptiver Wissenssysteme (1)

Inhalte der Unit Die Vorlesung behandelt die Klasse adaptiver lernender Systeme, die in der Lage sind, ihr Wissen und ihre Fähigkeiten zum Handeln durch Interaktion mit ihrer Umgebung zu optimieren. Es werden Verfahren und Algorithmen des optimierenden Lernens besprochen, bei denen das System seine Handlungsstrategie rein auf Basis der Information über die Güte seiner getroffenen Entscheidungen adaptiert.

• Einführung: Wissen und Adaptivität im Bereich intelligenter Systeme • Formalisierung von Wissen und von sequenziellen

Entscheidungsproblemen • Markov'sche Entscheidungsprozesse, Actor-Critic-Architektur • wertfunktionsbasierte Verfahren (dynamisches Programmieren,

Wertiteration, zeitliche Differenzmethoden, modellfreie Verfahren) • direkte Strategiesuche (gradienten- oder fitnessbasiert) • ausgewählte fortgeschrittene Verfahren (Neuroevolution, Batch-Mode)

Der Anwendungsbezug wird in der Vorlesung einerseits durch viele Praxisbeispiele sowie durch praktische Übungsaufgaben hergestellt.

Lehrformen Seminaristische Vorlesung mit Anwendungsstudien

SWS der Unit 4 h

Workload (h) 150 h

Anteil der Präsenzzeit (h) 60 h

Anteil Prüfungszeit inkl. Vorbereitung (h) 15 h

Anteil Selbststudium (h) 35 h

Anteil Praxiszeit (h) 40 h

Sprache der Unit Deutsch

Seite 10/94


Stand: 01. 08. 2019


Lehrende/-r Prof. Dr. Thomas Gabel

Basis-Literatur A. Barto, R. Sutton: Reinforcement Learning: An Introduction

D. Bertsekas, J. Tsitsiklis: Neuro-Dynamic Programming

M. Wiering: Reinforcement Learning State-of-the-Art

Zu Semesterbeginn werden zusätzlich aktuelle Literaturhinweise gegeben.

Art und Form des Leistungsnachweises der Unit

Keine

Bewertung des Leistungsnachweises der Unit

Keine

Hinweise Zur Verfügung stehen eine eLearning-Plattform, ein öffentliches Wiki des Studiengangs, eine Softwareversionsverwaltung, eine webbasierte Plattform für die benutzte Software, ein Onlineskript.

Seite 11/94


Stand: 01. 08. 2019


Modul 2 Maschinelles Lernen Modultitel Maschinelles Lernen PO

Modulnummer 2 PO

Modulcode ML





PO



PO

Empfohlene inhaltliche Vorkenntnisse

Gute Grundlagenkenntnisse in Mathematik (Algebra, Analysis, Statistik) empfohlen

PO



Keine PO

Modulprüfung Klausur, Dauer 90 Min. PO


Fachkompetenzen: Die Studierenden verfügen nach diesem Modul über ein grundlegendes Verständnis eines Standardmodells aus dem Bereich Maschinelles Lernen, sowie der generellen Terminologie und Prinzipien des Feldes. Dazu verfügen sie über ein hinreichendes Verständnis der anwendungsrelevanten mathematischen, statistischen und numerischen Aspekte der Thematik

Sie sind in der Lage, dieses Wissen

• in verschiedenen Anwendungskontexten selbständig auf Problemstellungen anzuwenden.

• problemorientiert auf einer entsprechenden Softwareplattform umsetzen.

Personale Kompetenzen: Die Studierenden sind in der Lage sich eigenständig komplexe theoretische Modelle zu erarbeiten und dem Stand der Forschung zu folgen.

Sie können erarbeitete Lösungsansätze sowohl gegenüber Fachkollegen als auch Fachfremden angemessen präsentieren. Aufgrund der Komplexität der Anforderungen sind sie in der Lage im Team explorativ und effizient an einer Aufgabenstellung zu arbeiten und das Ziel nicht aus den Augen zu verlieren.

PO

Seite 12/94


Stand: 01. 08. 2019


Inhalte des Moduls Maschinelles Lernen PO

Lehrformen des Moduls Seminaristischer Unterricht mit Übungen PO

Sprache Deutsch PO

Häufigkeit des Angebots von Modulen Wintersemester

PO

Modulkoordination Prof. Dr. Ute Bauer-Wersing

Hinweise Der Kurs wird zusätzlich unterstützt durch eine eLearning-Plattform

Unitbeschreibung 2: Maschinelles Lernen

Name der Unit Maschinelles Lernen

Code

Name des Moduls Maschinelles Lernen (2)

Inhalte der Unit In der Vorlesung wird eine Einführung in die grundlegenden und weiterführenden Sichtweisen, Probleme, Methoden und Techniken des Maschinellen Lernens vermittelt. Es werden u. a. folgende Themen behandelt:

• Einführung und historische Entwicklung des Maschinellen Lernens • Gehirn als Vorbild, biologische Motivation • Formalisierung und Modellierung am Beispiel Neuronaler Netze • Überblick über Problemstellungen (Klassifikation, Regression, Clustering) • Supervised (überwachtes) und unsupervised (unüberwachtes) Lernen • Perzeptron, Lineare Trennbarkeit, Bezug zur Bayes-Klassifikation • Lineare Netze, Online PCA und Dimensionsreduktion, Merkmalsauswahl • Multilagen-Perzeptron • Error-Backpropagation, Optimierung • Strukturelle Überlegungen (Generalisierungsfähigkeit, Abschätzung

Approximationsfehler, MLE) • Überlegungen zum Algorithmus

Gradientbasiertes Lernen, Online vs. Batch-Lernen, Crossvalidation • Deep Learning, Convolutional Networks etc.

Jeweils ergänzt durch praktische Übungen zu den vermittelten Theorien und Konzepten unter Verwendung einer geeigneten Software.

Lehrformen Seminaristischer Unterricht mit Übungen

SWS der Unit 4 h

Workload (h) 150 h




Seite 13/94


Stand: 01. 08. 2019




Lehrende/-r Prof. Dr. Bauer-Wersing

Basis-Literatur C. M. Bishop (2006). Pattern Recognition and Machine Learning. Springer Verlag.

T. Hastie, R. Tibshiranie, J. Friedmann (2001). The Elements of Statistical Learning. Springer Verlag.

E. Alpaydin (2008). Maschinelles Lernen. Oldenbourg Wissenschaftsverlag.

S. Sharma (1996). Applied Multivariate Techniques. Wiley & Sons.

Ggf. werden zu Semesterbeginn zusätzlich aktuelle Literaturhinweise ergänzt.


Keine


Keine

Hinweise Der Kurs wird zusätzlich unterstützt durch eine eLearning-Plattform

Seite 14/94


Stand: 01. 08. 2019


Modul 3 Human Machine Interaction Module title Human Machine Interaction PO

Module number 3 PO

Module code MMI

Study program Allgemeine Informatik (M.Sc.) PO

Module usability Barrierefreie Systeme (M.Sc.), High Integrity Systems (M.Sc.) PO

Module duration One Semester PO

Recommended semester 3. Semester PO

Module type Compulsory elective module PO

ECTS (cp) / Workload (h) 5 CP/150 h PO

Recommended previous knowledge

Basic knowledge of software engineering or system engineering

PO

Module prerequisites None

Module examination requirements None

PO

Module examination

Project (submission period 8 weeks) with presentation

(min. 10, max. 20 minutes)

PO

Learning outcomes and skills • Overall goal is to gain basic knowledge about HMI as part of a systems engineering process, psychological conditions of a user, how to describe the behavior of the user, how to derive requirements for an interface, and how to test the usability of an interface

• Transferring the gained knowledge into a theoretical model solving a concrete problem

• Transferring the theoretical model into a working demonstrator • Working with others toward a same goal, and contributing to the capability

of the teamwork. • Creating an atmosphere of respect, helpfulness and cooperation. • Validating the demonstrator with the aid of usability tests • Cultural and social aspects of project work in international R&D teams • Presentation skills • Team leading skills • Documentation • Writing a scientific paper

PO

Module contents Human Machine Interaction – Project PO

Seite 15/94


Stand: 01. 08. 2019


Module teaching methods After an introduction the student teams work in a project. They have to use official textbooks and/ or scientific papers to back up their knowledge. The professor can be interviewed on demand

PO

Module language English

PO

Module availability Summer semester PO

Module coordination n/a

Comments

Unitbeschreibung 3: Human Machine Interaction Project

Unit title Human Machine Interaction – Project

Code

Module title Human Machine Interaction

Unit contents HMI as part of a systems engineering process

•Psychological aspects of human - computer interaction

•Behavior modeling and interface design

•HMI prototyping

• •Usability tests

Teaching methods R&D project with small groups (4 students max.)

Semester periods (hours) per week

4

Workload (h) 150 h

Class hours 60h

Total time of examination incl. preparation (h)

10 h

Total time of individual study (h)

80h

Total time of practical training (h)

n/a

Unit language English

Lecturer Prof. Dr. Matthias Deegener, Prof. Dr. Gerd Döben-Henisch

Recommended reading Current literature, e.g. research papers, will be announced at the beginning of the semester

Assessment type and form None

Assessment grading None

Seite 16/94


Stand: 01. 08. 2019


Comments

Seite 17/94


Stand: 01. 08. 2019


Modul 4 Spracherkennung und -synthese Modultitel Spracherkennung und -synthese PO

Modulnummer 4 PO

Modulcode Sprache





PO

Art des Moduls Wahlpflichtmodul PO


PO


Empfohlen: Kenntnisse aus dem Modul Maschinelles Lernen, Programmierkenntnisse, gute Grundlagen in Mathematik (Lineare Algebra, Analysis, Wahrscheinlichkeitsrechnung)

PO



Keine PO



Fachkompetenzen: Die Studierenden verfügen nach diesem Modul über ein grundlegendes Verständnis von Sprache als menschlichem Kommunikationsmittel, sowie den neurologischen und neuromotorischen Grundlagen der Perzeption und Sprachproduktion; auch krankhafte und altersbedingte Einschränkungen der Sprachwahrnehmung und -produktion werden erörtert.

Sie sind in der Lage

• selbständig aktuelle mathematische Modelle zur Spracherkennung und -synthese anzuwenden

• selbständig Techniken zur Realisierung von Spracherkennungs- und Sprachsynthesesystemen anzuwenden.

• sich eigenständig in komplexe Anwendungspakete und Toolkits zur Spracherkennung und Synthese einzuarbeiten.

Personale Kompetenzen: Sie haben die Bereitschaft, sich mit den Inhalten auseinander zu setzen und Risiken und Folgen Ihrer Lösungen zu antizipieren.

Sie sind offen für neue Ansätze und probieren das erlernte Wissen tatkräftig aus, auch mit der Bereitschaft neue Ansätze vorzuschlagen. Sie sind in der Lage

PO

Seite 18/94


Stand: 01. 08. 2019


flexibel eigene Initiativen zu entwickeln.

Mit der Arbeit in kleinen Teams sind sie vertraut und hierdurch befähigt Kritik und Konflikten im Team reflektiert zu begegnen.


Darüber hinaus haben sie ein besonderes Verständnis für gesellschaftsrelevante Fragestellungen entwickelt.

Inhalte des Moduls Spracherkennung und -synthese PO


Sprache Deutsch PO


PO

Modulkoordination Prof. Dr. Ute Bauer-Wersing

Hinweise Zur Verfügung stehen eine eLearning-Plattform und ein Lab

Unitbeschreibung 4: Spracherkennung und -synthese

Name der Unit Spracherkennung und -synthese

Code

Name des Moduls Spracherkennung und -synthese (4)

Inhalte der Unit 1. Einführung in die Physik des Schalls, Phonetik, Fourieranalyse und Zeit-Frequenzdarstellung

2. Text-to-Speech-Systeme: Textverarbeitung und -normalisierung, POS-Tagging, Prosodiesteuerung, konkatenative Synthese, Unit-Selection

3. Spracherkennung: Hidden-Markov-Modelle, Baum_Welch-Algorithmus, Viterbi-Dekodierung, Akustische Modellierung, Merkmalsgenerierung – MFCCs, Sprachmodellierung


SWS der Unit 4 h

Workload (h) 150 h






Lehrende/-r Prof. Dr. Bauer-Wersing

Seite 19/94


Stand: 01. 08. 2019


Basis-Literatur X.Huang, A. Acero, H. Hon (2001). Spoken Language Processing. Prentice Hall PTR.

S. Euler (2006). Grundkurs Spracherkennung. Vieweg & Sohn Verlag.

Benesty, Jacob, M. Mohan Sondhi, and Yiteng Huang, eds (2007). Springer handbook of speech processing. Springer Science & Business Media.

Zusätzlich wird diese zu Semesterbeginn durch aktuelle Literaturhinweise ergänzt.


Keine


Keine

Hinweise Zur Verfügung stehen eine eLearning-Plattform und ein Lab

Seite 20/94


Stand: 01. 08. 2019


Modul 5 Bilderkennung Modultitel Bilderkennung PO

Modulnummer 5 PO

Modulcode Bild





PO



PO

Empfohlene inhaltliche Vorkenntnisse Keine

PO



Keine PO



Fachkompetenzen: Die Studierenden verfügen nach diesem Modul über ein grundlegendes Verständnis der Bildverarbeitung bei künstlichen intelligenten Systemen insbesondere bei jenen, die mit Menschen interagieren sollen. Sie kennen die Struktur und Funktionsweise von Software für die Modellierung von bilderkennenden Strukturen. Dieses Wissen können sie selbständig auf Problemstellungen anwenden, durch Analyse, des Problems, und durch Transfer von Wissen.

Die Studierenden sind in der Lage, Probleme angemessen zu analysieren, technische Lösungen zu erarbeiten und zu evaluieren.

Personale Kompetenzen: Mit der Arbeit in kleinen Teams sind sie vertraut und hierdurch befähigt Kritik und Konflikten im Team reflektiert zu begegnen.


Darüber hinaus haben sie ein besonderes Verständnis für gesellschaftsrelevante Fragestellungen entwickelt.

PO

Inhalte des Moduls Bilderkennung PO

Seite 21/94


Stand: 01. 08. 2019


Lehrformen des Moduls Seminaristischer Unterricht mit Anwendungsstudien PO

Sprache Deutsch PO


PO

Modulkoordination Prof. Dr. Peter Nauth

Hinweise

Unitbeschreibung 5: Bilderkennung

Name der Unit Bilderkennung

Code

Name des Moduls Bilderkennung (5)

Inhalte der Unit • Texte und exemplarische Problemstellungen zur Rolle von Bildverarbeitung als Voraussetzung zur Bilderkennung in Anwendungskontexten, insbesondere bei technischen Systemen, die mit Menschen interagieren sollen.

• Texte und Übungen zu theoretischen Modellen der Bildverarbeitung im Kontext der Bilderkennung.

• Texte und Projekte zu Softwarestrukturen für die Realisierung von Bildverarbeitung und Bilderkennung.

Lehrformen Seminaristischer Unterricht mit Anwendungsstudien

SWS der Unit 4 h

Workload (h) 150 h






Lehrende/-r Prof. Dr. Peter Nauth, Prof. Dr. Ute Bauer-Wersing, Prof. Dr. Andreas Pech

Basis-Literatur Es gibt ein Onlineskript mit sehr ausführlichen Literaturhinweisen. Dieses wird zusätzlich zu Semesterbeginn durch aktuelle Literaturhinweise ergänzt.


Keine

Bewertung des Leistungsnachweises der

Keine

Seite 22/94


Stand: 01. 08. 2019


Unit

Hinweise Zur Verfügung stehen eine eLearning-Plattform und ein Labor

Seite 23/94


Stand: 01. 08. 2019


Modul 6 Robotics Module title Robotics PO

Module number 6 PO

Module code Robot


Module usability BaSys – Intelligente Systeme (M.Sc.), Information Technology (M.Sc.) PO

Module duration one semester PO

Recommended semester 3rd Semester PO

Module type Elective PO



None

PO



PO

Module examination

Written documentation of project result (processing time 6 weeks), presentation of at least 15 min. and max. 30 min.

PO

Learning outcomes and skills Professional competence: The student will have a thorough knowledge regarding the architecture, hardware and software of robotic systems. He/she is familiar with intelligent algorithms and their application in intelligent sensors, action planning and decision making, especially with respect autonomous mobile robots.

The students will be able

• to develop mechanics and hardware of robots by means of respective modules.

• to develop and program algorithms for sensing, autonomous behavior and control of actuators.

• to deal with new, unfamiliar problems and to gather knowledge in new areas.

Personal Competence: The students can work in small teams with diverging roles, and they can work out technical solutions mediated by discourse.

They are able to communicate his results in an argumentative way with regard to professionals as well as non-professionals

They can work in teams as well as alone, showing responsibility and reflectiveness.

PO

Seite 24/94


Stand: 01. 08. 2019


They can analyze problems from different points of views.

Module contents Robotics – Lectures, Robotics – Project PO

Module teaching methods Lectures: Interactive teaching Project: Teamwork in small development groups PO


PO

Module availability Winter semester PO

Module coordination Prof. Dr. Peter Nauth

Comments

Unit description of module 6: Robotics – Lectures

Unit title Robotics – Lectures

Code

Module title Robotics (6)

Unit contents • Theory of the architecture, hardware and software of robotic systems. • Theory of intelligent algorithms for robots and their application in

intelligent sensors, action planning and decision making.

Teaching methods Lectures: Interactive teaching

Semester periods (hours) per week 2 h

Workload (h)

80 h

Class hours

30 h

Total time of examination incl. preparation (h) 15 h

Total time of individual study (h) 35 h

Total time of practical training (h) 0 h


Lecturer Prof. Dr. Peter Nauth

Recommended reading Bajd,T., Mihelj,M., Lenarčič,J., Stanovnik,A., Munih,M. Robotics Series: Intelligent Systems, Control and Automation: Science and Engineering, Vol. 43, Springer Verlag, 2010; ISBN: 978-1-84628-641-4

Siciliano, Bruno; Khatib, Oussama (Eds.) Springer Handbook of Robotics, Springer

Seite 25/94


Stand: 01. 08. 2019


Verlag, 2008; ISBN: 978-3-540-23957-4

Peter Cork: Robotics, Vision and Control; ISBN 978-3-642-20143-1

Current literature will be announced at the beginning of each semester.

Assessment type and form of

None

Assessment grading

None

Comments

Unit description of module 6: Robotics – Project

Unit title Robotics – Project

Code

Module title Robotics (6)

Unit contents • Planning a small project to apply the learned theoretical concepts. • Implement parts of the theory in a running version.

Teaching methods Project: Teamwork in small development groups


Workload (h)

70 h

Class hours

15 h





Lecturer Prof. Dr. Peter Nauth

Recommended reading Current literature will be announced at the beginning of each semester.


None


Seite 26/94


Stand: 01. 08. 2019


Comments

Seite 27/94


Stand: 01. 08. 2019


Modul 7 Ontologiesprachen und Semantic Web Modultitel Ontologiesprachen und Semantic Web PO

Modulnummer 7 PO

Modulcode OWL


Verwendbarkeit des Moduls

PO



PO



PO

Empfohlene inhaltliche Vorkenntnisse Kenntnisse in XML und in Logik

PO



Keine PO

Modulprüfung Klausur am Rechner, Dauer 90 Min. PO


Fachkompetenzen: Die Studierenden verfügen nach Abschluss dieses Moduls über einen grundlegendes Verständnis des Semantic Webs und der darunter liegenden Technologien. Sie verstehen die formale Semantik und die logischen Grundlagen der Ontologiesprachen RDFS und OWL. Sie kennen die theoretischen Grenzen der logikbasierten Wissensrepräsentation und die Probleme, die in der Praxis auftauchen.

Sie sind in der Lage

• komplexes Wissen aus einem beliebigen Anwendungsgebiet mit Hilfe der Ontolgiesprache OWL zu modellieren und

• dieses Modell in einem Ontologieeditor umzusetzen.

Personale Kompetenzen: Die Studierenden sind in der Lage sich eigenständig komplexe theoretische Modelle zu erarbeiten und dem Stand der Forschung zu folgen. Sie können erarbeitete Lösungsansätze sowohl gegenüber Fachkollegen als auch Fachfremden präsentieren. Aufgrund der Komplexität der Anforderungen sind sie in der Lage in kleinen Teams explorativ und effizient an einer Aufgabenstellung zu arbeiten.

PO

Inhalte des Moduls Ontologiesprachen und Semantic Web – Vorlesung, Ontologiesprachen und PO

Seite 28/94


Stand: 01. 08. 2019


Semantic Web – Übungen

Lehrformen des Moduls Seminaristische Vorlesung und Übungen PO

Sprache Deutsch PO


PO

Modulkoordination Prof. Dr. Barış Sertkaya

Hinweise

Unitbeschreibung 7: Ontologiesprachen und Semantic Web – Vorlesung

Name der Unit Ontologiesprachen und Semantic Web – Vorlesung

Code

Name des Moduls Ontologiesprachen und Semantic Web (7)

Inhalte der Unit • Einführung: Die Vision des Semantic Web • Datenmodellierung mit XML • RDF und RDF Schema zur Darstellung von Metadaten und einfachen

Ontologien • Formale Semantik von RDF(S) • Die Web Ontology Language (OWL) und Ontologien in OWL • Formale Semantik von OWL

o Beschreibungslogiken und Schlussfolgerung • Die SPARQL-Anfragesprache • Praktische Anwendungen

o Linked Data o Ontology Engineering

Lehrformen Seminaristische Vorlesung

SWS der Unit 2 h

Workload (h) 70 h






Lehrende/-r Prof. Dr. Barış Sertkaya

Basis-Literatur G. Antoniou, P. E. Groth, F. Van Harmelen, R. Hoekstra. A Semantic Web Primer. The MIT Press, 2012. ISBN 978- 0262018289.

P. Hitzler, M. Krötzsch, S. Rudolph, Y. Sure. Semantic Web Grundlagen. Springer,

Seite 29/94


Stand: 01. 08. 2019


2008. ISBN 978-3-540-33993-9.

P. Szeredi, G. Lukcsy, T. Benkö. The Semantic Web Explained: The Technology and Mathematics behind Web 3.0. Cambridge University Press, 2014. ISBN 978-0521700368.

F. Baader, D. Calvanese, D. McGuinness, D. Nardi, P. F. Patel-Schneider. The Description Logic Handbook: Theory, Implementation, and Applications. Cambridge University Press, 2003.


Keine


Keine

Hinweise

Unitbeschreibung 7: Ontologiesprachen und Semantic Web – Übungen

Name der Unit Ontologiesprachen und Semantic Web – Übungen

Code

Name des Moduls Ontologiesprachen und Semantic Web (7)

Inhalte der Unit Ziel der Übungen ist es, die Studierenden anhand kleinen, selbst auszuarbeitenden Szenarien für die behandelten Themenkreise zu sensibilisieren.

Lehrformen Übung

SWS der Unit 2 h

Workload (h) 80 h






Lehrende/-r Prof. Dr. Barış Sertkaya

Basis-Literatur siehe Unit Ontologiesprachen und Semantic Web – Vorlesung


Keine

Seite 30/94


Stand: 01. 08. 2019



Keine

Hinweise

Seite 31/94


Stand: 01. 08. 2019


Modul 8 Künstliche Intelligenz Modultitel Künstliche Intelligenz PO

Modulnummer 8 PO

Modulcode KI



PO



PO



PO


PO



Keine PO

Modulprüfung Klausur, Dauer 90 Min. PO


Fachkompetenzen: Die Studierenden verfügen nach diesem Modul über ein grundlegendes Verständnis von Problemen, Methoden und Techniken zur Entwicklung und Bewertung künstlicher intelligenter Systeme. Dazu gehören Kenntnisse von klassischen und aktuellen theoretischen Modellen der symbolischen künstlichen Intelligenz sowie von Softwaresystemen für die Implementierung kennengelernter Methoden und Algorithmen. Sie sind in der Lage, selbständig KI-basierte Lösungen zu gegebenen Problemstellungen zu konzipieren, die Funktionsweise ausgewählter Lernalgorithmen händisch nachzuvollziehen, diese eigenständig zu implementieren sowie gängige Softwarelösungen in der Umsetzung ihrer Lösungsideen zielorientiert einzusetzen.

Personale Kompetenzen: Die Studierenden können Ihre Lösungsansätze sowohl gegenüber Fachvertretern als auch Fachfremden präsentieren und argumentativ vertreten. Sie verstehen die Grundzüge wissenschaftlichen Arbeitens, beherrschen Literaturrecherchen sowie die Kommunikation von Inhalten mittels Präsentationen und sind vertraut in der Nutzung der eLearning-Plattform.

PO

Inhalte des Moduls Künstliche Intelligenz PO

Seite 32/94


Stand: 01. 08. 2019



Sprache Deutsch PO

Häufigkeit des Angebots von Modulen Wintersemester

PO

Modulkoordination Prof. Dr. Thomas Gabel

Hinweise

Unitbeschreibung 8: Künstliche Intelligenz

Name der Unit Künstliche Intelligenz

Code

Name des Moduls Künstliche Intelligenz (8)

Inhalte der Unit Im ersten Teil der Vorlesung wird eine Einführung in die grundlegenden Sichtweisen, Probleme, Methoden und Techniken der künstlichen Intelligenz vermittelt. Es werden u. a. folgende Themen behandelt:

• Einführung und historische Entwicklung der KI • der Agentenbegriff in der KI • Problemlösen und Suche • Handlungsplanung, Logik, Schließen • symbolisches Lernen • Darstellung und Verarbeitung unsicheren Wissens

Darauf aufbauend werden im zweiten Teil spezielle ausgewählte, aktuelle Themen aus der KI vertieft, hierzu können u. a. gehören: Spieltheorie, Deep Learning, Multi-Agenten-Systeme, fallbasiertes Schließen, evolutionäre Algorithmen, Optimierung. Die theoretischen Konzepte und Inhalte werden jeweils ergänzt durch theoretische, anwendungsorientierte sowie praktische Übungen unter Verwendung geeigneter Software.


SWS der Unit 4 h

Workload (h) 150 h

Anteil der Präsenzzeit 60 h

Anteil Prüfungszeit inkl. Vorbereitung 15 h

Anteil Selbststudium 35 h

Anteil Praxiszeit 40 h


Lehrende/-r Prof. Dr. Thomas Gabel, Prof. Dr. Ute Bauer-Wersing

Seite 33/94


Stand: 01. 08. 2019


Basis – Literatur S. Russell, P. Norvig: Artificial Intelligence: A Modern Approach Zu Semesterbeginn sowie im Laufe des Semesters werden zusätzliche aktuelle Literaturhinweise gegeben.

Art und Form des Leistungsnachweises der Unit Keine

Bewertung des Leistungsnachweises der Unit Keine

Hinweise

Seite 34/94


Stand: 01. 08. 2019


Modul 9 Learning from Data Module title Learning from Data PO

Module number 9 PO

Module code LD


Module usability High Integrity Systems (M. Sc.) PO

Module duration One semester PO

Recommended semester 3rd semester PO




• Good knowledge in mathematics (Linear algebra, calculus of one and multiple variables, statistics)

• Good programming capabilities

PO



PO

Module examination

Written project report (processing time6 weeks) with presentation (min. 15 minutes, max. 45 minutes)

PO

Learning outcomes and skills Professional expertise: The students gain a principal understanding of the mathematical and epistemological basics of statistical learning theory and machine learning. They are capable to independently apply their knowledge in various problem fields, e.g. robotics, big data etc. In addition they know the most important application fields of statistical learning theory and are able to assess the ethical and societal dimensions of applications. The students have the opportunity to test their findings in a prototype on a relevant platform and write a scientific paper. Personal expertise: The students are capable to independently work out complex theoretical models and to follow the state-of-the-art of current research. They are capable to write scientific publications and to present the results of their research for experts and lay persons alike.

PO

Module contents Learning for Data – Lectures

Learning from Data – Exercises

PO

Module teaching methods Interactive lectures

Exercises: Seminar

PO

Module language English PO

Seite 35/94


Stand: 01. 08. 2019



Module coordination Prof. Dr. Jörg Schäfer

Comments

Unitbeschreibung 9: Learning From Data - Lectures

Unit title Learning from Data– Lectures

Code

Module title Learning from Data

Unit contents • Problem space • Is statistical or machine learning possible? (Outlook Vapnik-Chervonenkis

theory, VC Dimension and Limit) • Statistical/Machine learning: Supervised,

unsupervised, reinforcement learning, classification, regression • Probabilistic and non-probabilistic methods • Different models:

o Linear model o Kernel methods o Support Vector Machines

• Bayes methods o Gaussian processes o MCMC and particle filters

• Neural networks o Genetic algorithms

• Model selection o Overfitting and regularization o Bias-Variance tradeoff, error and noise

• Training, testing, validation o Curse of dimensionality

• Vapnik-Chervonenki theory, Hoeffding’s lemma, VC dimension and VC inequality

• Structural Risk Minimization (SRM), Occham’s Razor • Overview of selected application fields • consequences of statistical learning theory • Philosophic implications (Are data more important than theories? Where

are the limits of statistical learning theory? • Ethical implications for society, principal problems of algorithmic decisions

(Information privacy, individual freedom, checks-and balances of citizens, corporations, states etc.)

• Lectures are accompanied by practical exercises with respect to theories and concepts, supported by the use of appropriate software.

Teaching methods Lectures

Seite 36/94


Stand: 01. 08. 2019



2

Workload (h)

70h

Class hours

30h


10 h




Lecturer Prof. Dr. Ute Bauer-Wersing, Prof. Dr. Thomas Gabel, Prof. Dr. Jörg Schäfer

Recommended reading Yaser S. Abu-Mostafa, Malik Magdon-Ismail, and Hsuan-Tien Lin. Learning From Data. AMLBook, 2012.

Nello Cristianini and John Shawe-Taylor. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press, 1 edition, 2000.

Trevor Hastie, Robert Tibshirani, and Jerome Friedman. The elements of statistical learning: data mining, inference and prediction. Springer, 2 edition, 2008.

G. James, D. Witten, T. Hastie, and R. Tibshirani. An Introduction to Statistical Learning: with Applications in R. Springer Texts in Statistics. Springer New York, 2014.

Vladimir N. Vapnik. The nature of statistical learning theory. Springer-Verlag New York, Inc., New York, NY, USA, 1995.


None

Assessment grading

None

Comments n/a

Unitbeschreibung 9: Learning From Data – Exercise and Seminar

Unit title Learning from Data – Exercises and Seminar

Seite 37/94


Stand: 01. 08. 2019


Code

Module title Learning from Data

Unit contents Elaboration on individual aspects from the lectures in exercises and seminar contributions

Teaching methods Seminar with accompanying exercises


2

Workload (h)

80h

Class hours

30h





Lecturer Prof. Dr. Ute Bauer-Wersing, Prof. Dr. Thomas Gabel, Prof. Dr. Jörg Schäfer

Recommended reading See Unit Learning from Data – Lectures


Assessment grading

Comments n/a

Seite 38/94


Stand: 01. 08. 2019


Modul 10 Internet of Things Module title Internet of Things PO

Module number 10 PO

Module code IoT


Module usability High Integrity Systems (M.Sc.) PO


Recommended semester 1st Semester PO




None

PO



PO

Module examination

Project (submission period 8 weeks) with oral presentation (min. 20 , max. 30 minutes)

PO

Learning outcomes and skills • understand the basic technologies for the Internet of Things, • asses emerging technologies concerning their suitability, • get acquainted quickly with new technologies, and • develop new application fields. • to search for, read, summarize and cite scientific literature on a large scale; • to read and interpret national and international standards; • to write a report as a scientific paper; • to give a scientific talk.

PO

Module contents Internet of Things – Seminar PO

Module teaching methods Seminar PO


PO

Module availability Annually PO

Module coordination Prof. Dr. Matthias Wagner

Comments

Seite 39/94


Stand: 01. 08. 2019


Unit description of module 10: Internet of Things – Seminar

Unit title Internet of Things – Seminar

Code

Module title Internet of Things

Unit contents The course will cover selected subjects from the following areas. The depth of coverage might vary.

• Technological foundation of the Internet of Things

• HW Basics

• Field-Bus systems

• Wireless sensor networks

• Middleware and integration into the Internet

• Example(s) of relevant algorithms

• HMI

Application examples

Teaching methods Seminar


2

Workload (h)

150 h

Class hours

36



114 h



Lecturer Prof. Dr. Jörg Schäfer, Prof. Dr. Matthias Deegener, Prof. Dr. Matthias Wagner

Recommended reading


None

Assessment grading

None

Comments n/a

Seite 40/94


Stand: 01. 08. 2019


Modul 11 Advanced IT-Security Module title Advanced IT-Security PO

Module number 11 PO

Module code IT-Sec








• Good knowledge in introductory computer science,

• Programming skills in C or Java,

• Basic System Administration Skills in Windows and Unix

Theoretical foundations of computer science, networks, operating systems



PO

Module examination

Written examination (120 minutes)

PO

Learning outcomes and skills Upon completion of this course, the student is able to:

• to identify, analyze, and perhaps solve network-related security problems in computer systems.

• to understand security problems in the combination of the Internet with Intranets.

• to comprehend the need to protect all architectural levels. • to get an understanding of how to coordinate hardware and software to

provide data security against internal and external attacks. • to communicate in international teams

PO

Module contents Advanced IT-Security – Lectures

Advanced IT-Security – Exercises

PO

Module teaching methods Lectures: Interactive group lecturing

Exercises: Teamwork in small groups

PO


PO


Seite 41/94


Stand: 01. 08. 2019


Module coordination Prof. Dr. Martin Kappes

Comments

Unit description of module 11: Advanced IT-Security – Lectures

Unit title Advanced IT-Security – Lectures

Code

Module title Advanced IT-Security

Unit contents • Introduction • Cryptography, Computational Complexity and Computability • Security threats in computer networks and countermeasures and security

protocols on all layers of the reference model • Firewalls, VPNs • Anomaly Detection

• Further Topics

Teaching methods Interactive group lecturing


2

Workload (h)

70h

Class hours

30h


10h


30h



Lecturer Prof. Dr. Martin Kappes

Recommended reading Current literature to be announced at the beginning of the semester


None

Assessment grading

None

Comments

Seite 42/94


Stand: 01. 08. 2019


Unit description of module 11: Advanced IT-Security – Exercises

Unit title Advanced IT-Security - Exercises

Code

Module title Advanced IT-Security

Unit contents • Lab exercises with software tools pertaining to the contents described in the unit Advanced IT-Security – lectures

• practical teamwork on real world problems • Lessons learned session after group work

Teaching methods Teamwork in small software development groups, exercises


2

Workload (h)

80 h

Class hours

30h



50 h


n/a


Lecturer Prof. Dr. Martin Kappes

Recommended reading See unit Advanced IT-Security lectures


None

Assessment grading

None

Comments

Seite 43/94


Stand: 01. 08. 2019


Modul 12 Smart Sensor Network Systems Module title Smart Sensor Network Systems PO

Module number 12 PO

Module code SSN








• Knowledge in software and systems engineering,

• C/C++ - programming

• Numerical analysis

PO



PO

Module examination

Project (submission period 8 weeks) with presentation (min. 10 minutes, max. 20 minutes)

PO

Learning outcomes and skills • understand the interface between computer science and the physical environment,

• assess the challenges of the measuring process and the possible errors, • set up and program a Wireless Sensor Network and interface it with a

standard network and/or the Internet, • participate in the solution of measuring tasks by cooperation with specialists

of other disciplines • Cultural and social aspects of project work in international R&D teams • Presentation skills • Team leading skills • Documentation

• Writing a scientific paper

PO

Module contents Smart Sensor Network Systems – Project PO

Module teaching methods Project PO


PO


Seite 44/94


Stand: 01. 08. 2019


Module coordination Prof. Dr. Matthias Wagner

Comments

Unit description of module 12: Smart Sensor Network Systems – Project

Unit title Smart Sensor Network Systems – Project

Code

Module title Smart Sensor Network Systems

Unit contents • Introduction to measuring technology for computer scientists • Data acquisition basics • The measuring chain • Data acquisition challenges and error propagation • Intelligent sensor concepts • Wireless sensor networks (WSN) • WSN operating systems • Real-time aspects of WSNs

• Signal analysis basics

Teaching methods R&D project with small groups (4 students max.)


4

Workload (h)

150h

Class hours

60h


10 h


80h


n/a

Unit language English Lecturer Prof. Dr. Matthias Wagner

Recommended reading Holger Karl, Andreas Willig: Protocols and Architectures for Wireless Sensor

Networks, Wiley, 2005 Current literature, e.g. research papers, will be announced at the begin of the semester

Assessment type and form of None

Seite 45/94


Stand: 01. 08. 2019


Assessment grading

None

Comments

Modul 13 Introductory Data Analysis Module title Introductory Data Analysis PO

Module number 13 PO

Module code IDA








Basic skills in statistics as they are offered in the Bachelor program Informatik, i.e., students should be able to perform the most important methods of inferential statistics in line with some real-world problems, the students should be able to interpret and assess the results of basic statistical methods

PO


Module examination requirements

Solutions to at least 40% of weekly exercises in unit Introductory Data Analysis – Exercises; short written exposé as stated in unit Introductory Data Analysis (total effort: 35 hours)

PO

Module examination

Written (computer) examination of 90 minutes duration

PO

Learning outcomes and skills • Confident assessment of the usage of the various methods of univariate and bivariate statistics in the application context.

• Knowledge and understanding of different probability concepts (distributions, statistical models, testing procedures and principles)

• Capacity to apply methods to selected real world situations • Capacity to use the computer to solve problems in real world situations • Capacity to understand and judge results of statistical analysis • Awareness of dangers of misuse and misinterpretation • Capacity to communicate using statistical language, i.e., explain

procedures, results of an analysis and a critique of the results

Non specialist competencies:

• Scientific work style

PO

Seite 46/94


Stand: 01. 08. 2019


Module contents Introductory Data Analysis – Lectures, Introductory Data Analysis – Exercises PO

Module teaching methods Lectures using multimedia presentation techniques Exercises on PC using spreadsheets and statistical software tool

PO


PO


Module coordination Prof. Dr. Egbert Falkenberg

Comments

Unit description of module 13: Introductory Data Analysis – Lectures

Unit title Introductory Data Analysis – Lectures

Code

Module title Introductory Data Analysis (13)

Unit contents • Descriptive statistics (characterics and plots, univariate and bivariate methods)

• Probabilty concepts and theory (Baysian and frequentist approach, formulating of statistical models)

• Inferential statistics (concepts and a selection of tests) • Some Test theory (assumptions, hypotheses, OC, alpha/beta error) • Performing Statistical Tests (Checking Assumptions. preparing the data,

understanding results, discussing results) • Performing Statistical Tests (Examples of applications) • non-paramtric tools • Common Errors (how not to proceed)



Workload (h)

70 h

Class hours

30 h





Seite 47/94


Stand: 01. 08. 2019


Lecturer Prof. Dr. Christina Andersson, Prof. Dr. Behl, Prof. Dr. Egbert Falkenberg, Prof. Dr. Andreas Orth

Recommended reading Montgomery, Runger: Applied Statistics and Probability for Engineers, Wiley

Good P.I.; Hardin J. W.: Common Errors in Statistics (and How to Avoid them)


Prerequisite: Successful participation in Unit: Introductory Data Analysis – Exercises, Written (computer) examination of 90 minutes duration

Assessment grading

Graded according to published grading scheme

Comments

Unit description of module 13: Introductory Data Analysis – Exercises

Unit title Introductory Data Analysis – Exercises

Code

Module title Introductory Data Analysis (13)

Unit contents • Computer Exercises pertaining to the contents described in the unit Introductory Data Analysis – Lectures

• short written exposé of one real world problem, including reasoning on why which methods were selected, including interpretation and critique of results obtained

• lesson’s learned session after written exposé • exam preparation session for the Module examination

Teaching methods Using PC in Computer pool to solve problems


Workload (h)

80 h

Class hours

30 h





Lecturer Prof. Dr. Christina Andersson, Prof. Dr. Behl, Prof. Dr. Egbert Falkenberg, Prof. Dr. Andreas Orth

Seite 48/94


Stand: 01. 08. 2019


Recommended reading Montgomery, Runger: Applied Statistics and Probability for Engineers, Wiley

Good P.I.; Hardin J. W.: Common Errors in Statistics (and How to Avoid them)


50% Regular attendance at exercise groups, (unit Data Mining Methods – Exercises), solutions to 40% of weekly exercises in unit Data Mining Methods – Exercises, Compilation of a short written exposé

Assessment grading

Not graded

Comments

Seite 49/94


Stand: 01. 08. 2019


Modul 14 Data Mining Methods Module title Data Mining Methods PO

Module number 14 PO

Module code




Recommended semester 2nd Semester PO

Module type Compulsory Elective Module PO



Basic skills in statistics as they are offered in the Bachelor program Informatik, i.e., students should be able to perform the most important methods of inferential statistics in line with some real-world problems, the students should be able to interpret and assess the results of basic statistical methods

PO



Software Exercises with documentation (processing time 80 hours) PO

Module examination


PO

Learning outcomes and skills • Awareness of different data types, data scales, data use as endogenous and exogenous

• Skills in data recovery and data pre-processing • Theoretical understanding of statistical methods for information

extraction • Capacity to use the computer to solve problems in real world data

mining problems • Capacity to understand and judge results of statistical analysis in the

context of data mining • Awareness of dangers of misuse and misinterpretation • Capacity to communicate using statistical language, i.e. explain

procedures, results of an analysis and a critique of the results • Communication in international teams

PO

Module contents Data Mining Methods – Lectures

Data Mining Methods – Exercises

PO

Module teaching methods Lectures using multimedia presentation techniques Exercises with a PC and statistical programming language in Computer pool to solve problems

PO

Seite 50/94


Stand: 01. 08. 2019



PO


Module coordination Prof. Dr. Andreas Orth

Comments

Unit description of module 14: Data Mining Methods – Lectures

Unit title Data Mining Methods – Lectures

Code

Module title Data Mining Methods

Unit contents • Introduction to Data Mining (data types, data scales, roles of variables in an analysis, methods pertaining to different scales and types of variables, the data mining workflow, Loss functions)

• Introduction to a statistical programming language (alternatively: R (or S-plus), SAS, SPSS, etc.)

• Theory behind important methods data mining and inference selection out of o linear modelling – GLM, GLIM, mixed effects modeling, variable selection

methods - , o Methods for Classification – prototype-methods, k-nearest neighbour

classifiers, Linear Discriminant Analysis, logistic regression, separating hyperplanes, support vector machines etc.

o Additive Models, Trees, Boosting Methods, Additive Trees o Neural nets o Unsupervised Learning

• Variance Estimation and Validation methods (selection out of bootstrapping, jackknifing, cross-validation, Bayesian methods, EM-algorithm, MCMC)



2

Workload (h) 70h

Class hours 30h


10 h


30h

Total time of practical training

Seite 51/94


Stand: 01. 08. 2019


(h)


Lecturer Prof. Dr. Andersson, Prof. Dr. Falkenberg, Prof. Dr. Orth

Recommended reading • SAS – Online Documentation • R project-Documentation • Hastie, Tibshirani & Friedman: The Elements of Statistical • Learning: Data Mining, Inference, and Prediction. Springer (2001) • Berthold & Hand: Intelligent Data Analysis: An Introduction. (1999) • John Fox: Applied Regression Analysis and Generalized Linear Models. Sage

Publications (1998) • Efron, B; Tibshirani, R.J.: An Introduction to the Bootstrap. Chapman&Hall/CRC

(1993) Christopher Bishop: Neural Networks for Pattern Recognition (1995)

Assessment type and form of None


Comments

Unit description of module 14: Data Mining Methods – Exercises

Unit title Data Mining Methods – Exercises

Code

Module title Data Mining Methods

Unit contents • Computer Exercises pertaining to the contents described in the unit Data Mining Methods – lectures

• short written exposé of one real world problem, inlcuding reasoning on why which methods were selected, inlcuding interpretation and critique of results obtained

• lesson’s learned session after written exposé • exam preparation session for the Module examination

Teaching methods Using PC and statistical programming language in Computer pool to solve problems


2

Workload (h) 80h

Class hours 30h



50h

Seite 52/94


Stand: 01. 08. 2019




Lecturer Prof. Dr. Andersson, Prof. Dr. Falkenberg, Prof. Dr. Orth

Recommended reading • Literature as in Data Mining Methods – Lectures, in addition: • Davison, A.C.; Hinkley, D.V.: Bootstrap Methods and their Applications.

Cambridge University Press (1997) • C. R. Robert, G. Casella: Introducing Monte Carlo Methods with R. Springer

(2010) • John Fox, Stanford Weisberg: An R companion to Applied Regression. Sage

Publications (2011) Data Mining Group (2011): http://www.dmg.org/ (Zugriff 11.8. 2011)

Assessment type and form Software Exercises with documentation (processing time 80 hours)

Assessment grading Pass/fail

Comments n/a

Seite 53/94


Stand: 01. 08. 2019


Modul 15 Simulation Methods Module title Simulation Methods PO

Module number 15 PO

Module code








Good knowledge in discrete mathematics, calculus, numerical methods, contents of module System Theory and Modeling

PO



Laboratory exercises (total processing time 80 hours) PO

Module examination


PO


• assess the growing importance of simulation for high-integrity systems, • understand the interaction between simulation and experimental

verification, • get an overview over simulation methods, • get experience in using simulation tools, recognize the limitations of

simulation work.

PO

Module contents Simulation Methods – Lectures

Simulation Methods – Exercises

PO

Module teaching methods Interactive lectures using multimedia presentation techniques

Exercises: Teamwork

PO


PO


Module coordination Prof. Dr. Doina Logofatu

Comments

Seite 54/94


Stand: 01. 08. 2019


Unit description of module 15: Simulation Methods – Lectures

Unit title Simulation Methods – Lectures

Code

Module title Simulation Methods

Unit contents • Methods Approximation techniques

Types and categories

Software tools

Numerical methods

Visualization

• Validation Simulation and Measurement

• Applications

Teaching methods Interactive group learning


2

Workload (h) 70h

Class hours 30h


10h


30h



Lecturer Prof. Dr. Doina Logofatu, Prof. Dr. Matthias Wagner

Recommended reading • L.v. Bertalanffy: General System Theory, George Braziller Inc., New York, 1968 • H. Anton, Calculus, A new horizon, Sixth Edition, John Wiley and Sons, New

York, 1999 • B. P. Zeigler et al.: Theory of Modeling and Simulation, 2nd ed. Academic Press,

2000 • A. B. Shiflet; G. W. Shiflet: Introduction to Computational Science. Princeton

University Press, 2006 Current literature, e.g. journal papers, conference proceedings etc., will be announced at the beginning of the semester


Seite 55/94


Stand: 01. 08. 2019



Comments

Unit description of module 15: Simulation Methods – Exercises

Unit title Simulation Methods – Exercises

Code

Module title Simulation Methods

Unit contents • Lab exercises with software tools pertaining to the contents described in the unit Simulation Methods – lectures • Lessons learned session after group work

Teaching methods Teamwork in small R&D groups


2

Workload (h) 80h

Class hours 30h



50h



Lecturer Prof. Dr. Doina Logofatu, Prof. Dr. Matthias Wagner

Recommended reading See Unit Simulation Methods – Lectures

Assessment type and form Lab exercises ( processing time 80 hours)


Comments

Seite 56/94


Stand: 01. 08. 2019


Modul 16 Advanced Data Structures and Algorithms Module title Advanced Data Structures and Algorithms PO

Module number 16 PO

Module code




Recommended semester 3rd semester PO




Good knowledge of fundamentals of data structures and algorithms, programming (e.g. C, C++ or Java) and mathematics are recommended

PO



Solutions to at least 40% of weekly exercises in unit Advanced Data Structures and Algorithms – Exercises; short written exposé as stated in unit Advanced Data Structures and Algorithms – Exercises (total effort: 35 hours)

PO

Module examination

Written report in the form of a scientific contribution (processing time 6 weeks) and oral presentation of the results in the form of an event talk according to the rules of a scientific society, i.e., Springer, ACM, IEEE (min. 10 and max. 20 minutes).

PO

Learning outcomes and skills Upon the completion of this module, the student is able to:

• analyze the complexity of data structures • recognize, choose and appropriate use advanced data structures • analyze the complexity of algorithms • deal with selected advanced algorithms, especially from the area of

nature- and bio-inspired algorithms • compare the efficiency/optimality of different algorithms • implement and compare different approaches for a given real

application • deliver practical oriented solutions • perform statistical tests

Training for non-specialist competencies. Students:

• practice the scientific project management • communicate and work in team • research and write a scientific text • present their results in a scientific colloquium

PO

Module contents Advanced Data Structures and Algorithms – Lectures, Advanced Data Structures and Algorithms – Exercises

PO

Seite 57/94


Stand: 01. 08. 2019


Module teaching methods Interactive group lecturing with exercises PO


PO



Comments

Unit description of module 16: Advanced Data Structures and Algorithms – Lectures

Unit title Advanced Data Structures and Algorithms – Lectures

Code

Module title Advanced Data Structures and Algorithms (16)

Unit contents The course will cover selected topics form the following areas. The depth of coverage might vary.

Advanced Data Structures and their Complexity:

• Dynamic Graphs • Double-Ended Priority Queues • Binomial, Pairing and Fibonacci Heaps • Leftist, AVL, Red-Black, B+,B*, Splay, Priority Search, Segment,

Multidimensional, Quad Trees • Compressed Binary, High Order Tries

Advanced Algorithms and related innovative Applications:

• Genetic Algorithms • Ant Colony and Swarm Intelligence Optimization • Genetic Programming • Quantum Computing and Quantum Annealing • Distributed/Parallel Evolutionary Algorithms • Other Nature- and Bio-Inspired Methods • Hybrid Evolutionary Algorithms • Memetic and Cloud Computing • Fuzzy Logic • Chaos Theory • Machine Learning

The emphasis must be on examples for systems and applications in practice.



Workload (h)

70 h

Class hours 30 h

Seite 58/94


Stand: 01. 08. 2019






Lecturer Prof. Dr. Doina Logofatu

Recommended reading David E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, Addison.Wesley, 1989

John R. Koza, Genetic Programming: On the Programming of Computers by Means of Natural Selection (Complex Adaptive Systems), A. Bradford Book, 1992

Dario Floreano, Claudio Matiussi, Bio-Inspired Intelligence: Theories, Methods, and Technologies, The MIT Press, 2008 Steven H. Strogatz, Nonlinear Dynamics and Chaos: With Applications to Physics, Biology, Chemistry, and Engineering, Westview Press, 2nd edition, 2014

El-Ghazali Talbi, Metaheuristics: From Design to Implementation, Wiley, 2009 Vijay V. Vazirani, Approximation Algorithms, Springer, 2004 Stephen Boyd, Lieven Vandenbeghe, Convex Optimization, Cambridge University Press, 2004

Wan Fokkink, Distributed Algorithms: An intuitive Approach, The MIT Press, 2013

Calos A. Varela, Programming Distributed Computing Systems: A Foundational Approach, The MIT Press, 2013


Unit Advanced Data Structures and Algorithms – Exercises, 50% of end grade, Written examination of 90 minutes duration at the end of the semester – 50 % of the end grade

Assessment grading


Comments Prerequisite: Successful participation in unit Advanced Data Structures and Algorithms – Exercises, 50% of end grade

Unit description of module 16: Advanced Data Structures and Algorithms – Exercises

Unit title Advanced Data Structures and Algorithms – Exercises

Code

Module title Advanced Data Structures and Algorithms (16)

Unit contents Realization, analyze and enhancement of applications and systems

Teaching methods Teamwork in small groups (max. 4 students)

Seite 59/94


Stand: 01. 08. 2019



Workload (h)

80 h

Class hours

30 h





Lecturer Prof. Dr. Doina Logofatu

Recommended reading See unit Advanced Data Structures and Algorithms – Lectures


Written report in the form of a scientific contribution and oral presentation of the results in the form of an event talk according to the rules of a scientific society, i.e., Springer, ACM, IEEE (max 20 minutes).

Assessment grading


Comments

Seite 60/94


Stand: 01. 08. 2019


Modul 17 Pattern Oriented Software Architecture Module title Pattern Oriented Software Architecture PO

Module number 17 PO

Module code POS





Module type Compulsory elective Module PO

ECTS (cp) / Workload (h) 5 CP / 150 h PO


Good knowledge in principles and procedures of software engineering, programming skills in object-oriented programming languages

PO



PO

Module examination

Oral examination (min. 15, max. 45 minutes)

PO

Learning outcomes and skills • understand the motives of the pattern community. • distinguish between different types of patterns. • apply patterns in the design of SCS. • assess new developments of pattern catalogs and languages. • team work: Students acquire the ability to work with others toward a

same goal, participating actively, sharing responsibility and rewards, and contributing to the capability of the teamwork.

• communication in international teams

PO

Module contents Pattern Oriented Software Architecture – Lectures

Pattern Oriented Software Architecture – Exercises

PO


Laboratory exercises in teamwork

PO


PO


Module coordination Prof. Dr. Eicke Godehardt

Seite 61/94


Stand: 01. 08. 2019


Comments

Unit description of module 17: Pattern Oriented Software Architecture – Lectures

Unit title Pattern Oriented Software Architecture - Lectures

Code

Module title Pattern Oriented Software Architecture

Unit contents • Software architecture • Origins of the pattern movement • Principles and Practices of Modern Software Development and the prominent

Role of Patterns • Pattern-oriented software architecture: Architectural patterns, Design patterns, • Idioms • Application-specific pattern systems • Patterns for software testing • Pattern languages

• Alternatives, e.g. Frameworks

Teaching methods Interactive Group Lecturing


2

Workload (h) 70h

Class hours 30h


10 h


30 h


n/a


Lecturer Prof. Dr. Eicke Godehardt, Prof. Dr. Jörg Schäfer

Recommended reading • E. Gamma et. Al: Design Patterns Addison-Wesley, 1998 Buschmann et al: Pattern Oriented Software Architecture. Addison Wesley 1996



Comments n/a

Unit description of module 17: Pattern Oriented Software Architecture – Exercises

Unit title Pattern Oriented Software Architecture - Exercises

Code

Module title Pattern Oriented Software Architecture

Seite 62/94


Stand: 01. 08. 2019


Unit contents • Lab exercises pertaining to the contents described in the unit Pattern Oriented Software Architecture – lectures • Lessons learned session after solved problems

Teaching methods Teamwork in small R&D groups, exercise tasks


2

Workload (h) 80h

Class hours 30h



50h


n/a


Lecturer Prof. Dr. Eicke Godehardt, Prof. Dr. Jörg Schäfer

Recommended reading See Unit Pattern-Oriented Software Architecture - Lectures



Comments

Seite 63/94


Stand: 01. 08. 2019


Modul 18 Cloud Computing Module title Cloud Computing PO

Module number 18 PO

Module code Cloud






ECTS (cp) / Workload (h) 5 CP /150 h PO


Good knowledge in software engineering, computer networks, databases and distributed applications and one high-level programming language.

PO



PO

Module examination


PO

Learning outcomes and skills Upon completion of this course, the students

• understand the concepts and technologies fundamental for Cloud Computing

• understand the economical and operational impact of Cloud Computing for providing IT-resources within the enterprise

• is able to apply a structured, scientific process to evaluate architecture alternatives for Cloud Computing

• are able to architect and implement Cloud Computing solutions.

PO

Module contents Cloud Computing – Lectures

Cloud Computing – Exercises

PO

Module teaching methods Lectures

Exercises

PO


PO

Module availability Each semester PO

Seite 64/94


Stand: 01. 08. 2019


Module coordination Prof. Dr. Christian Baun

Comments

Unit description of module 18: Cloud Computing – Lectures

Unit title Cloud Computing – Lectures

Code

Module title Cloud Computing

Unit contents The course will cover selected subjects from the following areas. The depth of coverage might vary:

• Definitions of Cloud Computing and Core Foundations of Cloud Computing • Virtualization technologies • SOA and Web-Services • Different Cloud Computing architectures (SaaS, PaaS, IaaS) • Different Cloud Computing vendor stacks including open source • Service Management for the cloud • Algorithms for Cloud Computing (e.g. MapReduce) • Security aspects of Cloud Computing

Operational aspects of Cloud ComputingEconomical aspects of Cloud Computing



2

Workload (h) 70 h

Class hours 30 h


10 h


30 h



Lecturer Prof. Dr. Christian Baun, Prof. Dr. Martin Kappes, Prof. Dr. Jörg Schäfer

Recommended reading Christian Baun, Marcel Kunze, Jens Nimis and Stefan Tai, Cloud Computing: Web-Based Dynamic IT Services, Springer (2011). Tom White, Hadoop: The Definitive Guide (Englisch) Taschenbuch, O'Reilly, 2015. Thomas Erl, Zaigham Mahmood, Ricardo Puttini, Cloud Computing: Concepts, Technology & Architecture, Prentice Hall, 2013.

Seite 65/94


Stand: 01. 08. 2019


Nick Antonopoulos and Lee Gillam: Cloud Computing: Principles, Systems and Applications, Springer, 2010. Current literature recommendations will be given at the semester start.



Comments n/a

Unit description of module 18: Cloud Computing – Exercises

Unit title Cloud Computing – Exercises

Code

Module title Cloud Computing

Unit contents While the lectures provide the theoretical background, the exercises will enable students to apply the concepts. The students will read current research literature and vendor documentation and configure examples accordingly. In addition, simple prototypes will be developed. Henceforth, the students will receive continuous feedback, which will support the educational objectives.

Teaching methods Exercises


2

Workload (h) 80 h

Class hours 30 h



50 h



Lecturer See lecturers of Unit Cloud Computing – Lectures

Recommended reading n/a

Assessment type and form

Assessment grading

Comments n/a

Seite 66/94


Stand: 01. 08. 2019


Modul 19 Advanced Distributed Systems Module title Advanced Distributed Systems PO

Module number 19 PO

Module code ADS








• Knowledge of networking principles, basic knowledge of distributed applications, as well as programming skills in object-oriented programming languages.

• This corresponds to the following modules of the Bachelor program Computer Science (Informatik):

• Rechnernetze

• Verteilte Anwendungen

• Objektorientierte Programmierung

• OOP-Vertiefung

PO



PO

Module examination


PO

Learning outcomes and skills • Understand the advantages and problems of distributed systems. • Knowledge of different distributed architectures and algorithms. • Ability to analyze distributed systems, in particular with respect to

robustness.

PO

Module contents Advanced Distributed Systems – Lectures

Advanced Distributed Systems – Exercises

PO



PO


PO

Seite 67/94


Stand: 01. 08. 2019



Module coordination Prof. Dr. Justus Klingemann

Comments

Unit description of module 19: Advanced Distributed Systems – Lectures

Unit title Advanced Distributed Systems – Lectures

Code

Module title Advanced Distributed Systems

Unit contents • Properties of distributed systems • Time and synchronization • Distributed algorithms • Middleware for distributed systems • Consistency and replication

Teaching methods Interactive Group Lecturing


2

Workload (h) 70h

Class hours 30h


10h


30h



Lecturer Prof. Dr. Justus Klingemann, Prof. Dr. Jörg Schäfer

Recommended reading G. Coulouris, J. Dollimore, T. Kindberg:

Distributed Systems: Concepts and Design,

Addison-Wesley

A. Tanenbaum, M. van Steen:

Distributed Systems: Principles and Paradigms, Prentice-Hall


Assessment grading

Comments

Seite 68/94


Stand: 01. 08. 2019


Unit description of module 19: Advanced Distributed Systems – Exercises

Unit title Advanced Distributed Systems - Exercises

Code

Module title Advanced Distributed Systems

Unit contents • Lab exercises with software tools pertaining to the contents described in the unit Distributed Systems – lectures

• Practical teamwork on real world problems Lessons learned session after group work

Teaching methods Teamwork in small software development groups


2

Workload (h) 80h

Class hours 30h



50h


n/a


Lecturer Prof. Dr. Justus Klingemann, Prof. Dr. Jörg Schäfer

Recommended reading See Unit Advanced Distributed Systems – Lectures


Assessment grading

Comments

Seite 69/94


Stand: 01. 08. 2019


Modul 20 Advanced Formal Modelling Module title Advanced Formal Modelling PO

Module number 20 PO

Module code


Module usability Other Computer Science Master programs PO



Module type Compulsory module PO



Basic knowledge of propositional and first order logic

PO



Laboratory exercises with written assignment

(processing time: 80 hours)

PO

Module examination


PO

Learning outcomes and skills The module provides an insight into the theory and practice of formal modeling. It focuses on the role of logic in deductive software verification and in knowledge representation. In this module the students learn how to model formal properties of software and prove its correctness using logic. They learn how to model knowledge using logic-based knowledge representation formalisms. Main goals are:

• Understanding the use of different logics in formal modeling. • Understanding the logical foundations of formal methods and • logic-based knowledge representation formalisms. • Ability to prove correctness of simple code fragments. • Ability to formalize and reason using logic. • Obtaining practical skills in using a theorem prover and a formal

verification tool. • Understanding the limitations of logic. • Non specialist competencies: Scientific working style

PO

Module contents Advanced Formal Modeling – Lectures

Advanced Formal Modeling – Exercises

PO


Exercises

PO

Seite 70/94


Stand: 01. 08. 2019



PO


Module coordination Prof. Dr. Barįs Sertkaya

Comments

Unit description of module 20: Advanced Formal Modeling – Lectures

Unit title Advanced Formal Modeling - Lectures

Code

Module title Advanced Formal Modeling

Unit contents The lectures cover the theoretical aspects and provide examples mainly on the following topics:

- Mathematical and logical foundations – Sets, relations and functions - Propositional Logic, First Order Logic

- Verification of sequential programs Verification of Java programs using Java Modeling Language

- Logic-based knowledge representation and reasoning - Description Logics, Web Ontology Language OWL

Teaching methods Lecture


2

Workload (h) 70h

Class hours 30h


10 h


30h


n/a


Lecturer Prof. Dr. Ruth Schorr, Prof. Dr. Barįs Sertkaya

Recommended reading • Logic in Computer Science Modelling and Reasoning about Systems. M. Huth, M. Ryan. 2004 (2nd Edition). ISBN: 9780521543101

• Understanding Formal Methods. J.-F. Monin. Springer, 2003. ISBN-10: 1852332476

• Deductive Software Verification The KeY Book. From Theory to Practice. W.

Seite 71/94


Stand: 01. 08. 2019


Ahrendt, B. Beckert, R. Bubel, R. Hhnle, P. H. Schmitt, M. Ulbrich. ISBN 978-3-319-49811-9

The Description Logic Handbook: Theory, Implementation, and Applications. F. Baader, D. Calvanese, D. McGuinness, D. Nardi, P. F. Patel-Schneider.Cambridge University Press, 2003.



Comments

Unit description of module 20: Advanced Formal Modeling – Exercises

Unit title Advanced Formal Modeling - Exercises

Code

Module title Advanced Formal Modeling

Unit contents The exercises

• deepen the knowledge for the theoretical foundations of modeling and proving with logic, and

• help to gain practical experience with theorem provers and formal verification tools.



2

Workload (h) 80h

Class hours 30h


n/a


50h


n/a


Lecturer Prof. Dr. Ruth Schorr, Prof. Dr. Barįs Sertkaya

Recommended reading See unit Advanced Formal Modeling – Lectures

Assessment type and form Lab exercises with written assignment (processing time 80 hours)


Seite 72/94


Stand: 01. 08. 2019


Comments

Modul 21 Formal Specification and Verification Module title Formal Specification and Verification PO

Module number 21 PO

Module code








• Basic knowledge of propositional and predicate logic • Basic knowledge of algorithm design and analysis • Basic knowledge of automata theory

PO



PO

Module examination


PO

Learning outcomes and skills Understanding the principles of formal specification and verification.

Understanding the theory (models and logics) used in model checking.

Reasoning about safety, liveness and fairness properties in concurrent systems.

Specifying safety and liveness properties of concurrent systems using temporal logic and/or computational tree logic.

Verifying that a concurrent system satisfies certain safety and liveness properties using model checking algorithms.

Obtaining practical skills in using a Model Checking Tool .

Understanding the limitations of model checking.

Non specialist competencies:

Communication in international teams

PO

Module contents Formal Specification and Verification – Lectures

Formal Specification and Verification – Exercises

PO

Seite 73/94


Stand: 01. 08. 2019



Exercises

PO


PO


Module coordination Prof. Dr. Ruth Schorr

Comments

Unit description of module 21: Formal Specification and Verification – Lectures

Unit title Formal Specification and Verification – Lectures

Code

Module title Formal Specification and Verification

Unit contents The lectures provide an introduction to the main principles

of model checking:

• Modeling reactive systems by transition systems • Linear time properties and Büchi automata • Linear temporal logic and automata-based model checking

Computation tree logic



2

Workload (h) 70 h

Class hours 30 h


10 h


30 h



Lecturer Prof. Dr. Ruth Schorr

Recommended reading Baier, Christel and Katoen, Joost-Pieter: Principles of Model Checking MIT Press, 2008.

Ben-Ari, Mordechai: Principles of the Spin Model Checker. Springer, 2008.


Assessment grading

Seite 74/94


Stand: 01. 08. 2019


Comments

Unit description of module 21: Formal Specification and Verification – Exercises

Unit title Formal Specification and Verification –Exercises

Code

Module title Formal Specification and Verification

Unit contents The exercises

• deepen the knowledge for the theoretical foundations of model checking and

• provide an introduction to model checkers, i.e. SPIN, NuSMV or nuXmv, with practical exercises



2

Workload (h) 80 h

Class hours 30 h



50 h



Lecturer Prof. Dr. Ruth Schorr

Recommended reading see Unit Formal Specification and Verification – Lectures


Assessment grading

Comments

Seite 75/94


Stand: 01. 08. 2019


Modul 22 Mathematics Update Module title Mathematics Update PO

Module number 22 PO

Module code Math








Undergraduate level in mathematics

PO



PO

Module examination


PO

Learning outcomes and skills Analyze mathematical problems in a software project's list of requirements.

To familiarize with new mathematical fields.

Assess the suitability and usability of mathematical software tools.

PO

Module contents Mathematics Update – Lectures

Mathematics Update – Exercises

PO


Exercises with teamwork in small groups

PO


PO



Comments

Unit description of module 22: Mathematics Update – Lectures

Unit title Mathematics Update - Lectures

Seite 76/94


Stand: 01. 08. 2019


Code

Module title Mathematics Update

Unit contents • Linear Algebra • Geometry • Discrete Mathematics • Calculus • Scientific Computing



2

Workload (h) 70h

Class hours 30h


10 h


30 h



Lecturer Prof. Dr. Jörg Schäfer, Prof. Dr. Doina Logofatu, Prof. Dr. Egbert Falkenberg, Prof. Dr. Ruth Schorr

Recommended reading • H. Anton, Calculus, A new horizon, Sixth Edition, John Wiley and Sons, New York, 1999;

• H. Anton, Elementary Linear Algebra, John Wiley and Sons, New York, 1994; • J. Stewart, Calculus, Cengage Learning Emea; Auflage: 7th Revised edition,

2011; • Scilab/Matlab on-line literature • Press et al.: Numerical Recipes. Cambridge University Press, 2007


Assessment grading

Comments n/a

Unit description of module 22: Mathematics Update – Exercises

Unit title Mathematics Update – Exercises

Code

Module title Mathematics Update

Unit contents • Computer Exercises pertaining to the contents described in the unit Mathematics Update – Lectures

Seite 77/94


Stand: 01. 08. 2019


• Lessons learned session

Teaching methods Teamwork in small R&D groups, exercise tasks


2

Workload (h) 80h

Class hours 30h



50h


n/a


Lecturer Prof. Dr. Jörg Schäfer, Prof. Dr. Doina Logofatu, Prof. Dr. Egbert Falkenberg, Prof. Dr. Ruth Schorr

Recommended reading see Unit Mathematics Update – Lectures



Comments

Seite 78/94


Stand: 01. 08. 2019


Modul 23 Advanced Testing Methods Module title Advanced Testing Methods PO

Module number 23 PO

Module code Test








Extended knowledge in software engineering, very good programming skills in procedural and object-oriented programming languages

PO



PO

Module examination


PO

Learning outcomes and skills Upon completion of this course, the student is able to: • assess different testing methodologies, • master various powerful testing procedures, • differentiate between the testing of procedural and object oriented

software, • estimate the importance of safety criteria for test case design, • recognize the limits of testing capabilities, • use gained experience to select valuable automated tests, • recognize tests not to be automated.

This module facilitates communication structures used in business like Wikis and Discussion boards to show challenges working in global teams.

PO

Module contents Advanced Testing Methods – Lectures

Advanced Testing Methods – Exercises

PO



PO


PO

Seite 79/94


Stand: 01. 08. 2019



Module coordination Dr. Torsten Schönfelder (Deutsche Lufthansa)

Comments

Unit description of module 23: Advanced Testing Methods – Lectures

Unit title Advanced Testing Methods – Lectures

Code

Module title Advanced Testing Methods – Lectures

Unit contents • Planning for verification and validation • Design for testability • Testing strategies • Testing procedures • Testing of object-oriented systems • Testing patterns • Testing of and with safety criteria • Environment simulation • Testing tools



2

Workload (h) 70h

Class hours 30h


10 h


30h



Lecturer Dr. Torsten Schönfelder, Deutsche Lufthansa

Recommended reading Current Software Engineering literature announced at the beginning of the semester


Assessment grading

Comments

Seite 80/94


Stand: 01. 08. 2019


Unit description of module 23: Advanced Testing Methods – Exercises

Unit title Advanced Testing Methods – Exercises

Code

Module title Advanced Testing Methods

Unit contents • Lab exercises with software tools pertaining to the contents described in the unit Advanced Testing Methods – lectures

• practical teamwork on real world problems • Lessons learned session after group work

Teaching methods Teamwork in small software development groups


2

Workload (h) 80h

Class hours 30h



50h


n/a


Lecturer Dr. Torsten Schönfelder, Deutsche Lufthansa

Recommended reading Current Software Engineering literature announced at the beginning of the semester


Assessment grading

Comments

Seite 81/94


Stand: 01. 08. 2019


Modul 24 Enterprise Architecture Engineering Modultitel Enterprise Architecture Engineering PO

Modulnummer 24 PO

Modulcode EAE


Verwendbarkeit des Moduls Wirtschaftsinformatik (M.Sc.) PO



PO


ECTS-Punkte (CP) / Workload (h) 5 CP / 150 h

PO


PO



Keine PO

Modulprüfung Portfolio mit folgenden Werkstücken:

• Projektarbeit (Bearbeitungszeit 8 Wochen) mit Präsentation (mindestens 20, maximal 30 Minuten). In diesem Werkstück sind maximal 50 Punkte erreichbar.

• Schriftliches Testat (Prüfungsdauer 60 Minuten). In diesem Werkstück sind maximal 50 Punkte erreichbar.

Die Note ergibt sich aus der Summe der erreichten Punktzahlen. Zum Bestehen reichen 50% der erreichbaren Punkte aus.

PO


Lernergebnisse

Die Absolventinnen und Absolventen verfügen über ein vertieftes anwendungsbezogenes Wissen über Entwurfsprinzipien und Frameworks zur Entwicklung einer Unternehmensarchitektur, die ganzheitlich am Unternehmen und dessen Strategie ausgerichtet ist. Dazu kennen sie einschlägige Entwurfsprinzipien und Frameworks (z. B. OMG TOGAF).

Fachkompetenzen

Die Studierenden können als „Enterprise Architect“ Unternehmensarchitekturen ganzheitlich entwerfen und entwickeln, die an der Unternehmensstrategie ausgerichtet sind. In den Übungen präsentieren die Studierenden einzeln oder gemeinsam erarbeitete Entwürfe und Implementierungen, die sie gegenüber fachlicher Kritik vertreten.

PO

Seite 82/94


Stand: 01. 08. 2019


Inhalte des Moduls Enterprise Architecture Engineering – Vorlesung, Enterprise Architecture Engineering – Übungen

PO

Lehrformen des Moduls Vorlesung, Übung, selbstbestimmtes Lernen, Projektbearbeitung PO

Sprache Deutsch PO


PO

Modulkoordination Prof. Dr. Rainer Buhr

Hinweise

Unitbeschreibung 24: Enterprise Architecture Engineering – Vorlesung

Name der Unit Enterprise Architecture Engineering – Vorlesung

Code

Name des Moduls Enterprise Architecture Engineering (24)

Inhalte der Unit Im Rahmen dieser Lehrveranstaltung werden grundlegende Inhalte und Methoden zu folgenden Themenkreisen behandelt:

• Unternehmensarchitektur und Unternehmensstrategie • Analyse von Geschäftsstrukturen und Prozessen • Strukturierung und Standardisierung von Prozessen • Enterprise IT-Design • Enterprise IT-Weiterentwicklung • Einsatz von Informationssystemen zur Informationsgewinnung und -

analytik • Architekturprinzipien und Praktiken • Effektivität, Effizienz, Agilität und Nachhaltigkeit einer

Unternehmensarchitektur

Lehrformen Vorlesung

SWS der Unit 2 h

Workload (h) 75 h






Lehrende/-r Prof. Dr. Ruth Schorr, Prof. Dr. Rainer Buhr

Basis-Literatur Ahlemann, F. et al. (Ed.) „Strategic Enterprise Architecture Management“, Springer, Berlin, aktuelle Auflage

Seite 83/94


Stand: 01. 08. 2019


Hanschke, I. „Enterprise Architecture Management“, Hanser, Wiesbaden, aktuelle Auflage

Hanschke, I. et al. „Strategisches Prozess Management“, Hanser, Wiesbaden, aktuelle Auflage

Perroud, T. et al. „Enterprise Architecture Patterns“, Springer, Berlin, aktuelle Auflage

The Open Group „TOGAF“, Van Haren Publishing, aktuelle Auflage


Keine


Keine

Hinweise

Unitbeschreibung 24: Enterprise Architecture Engineering – Übungen

Name der Unit Enterprise Architecture Engineering – Übungen

Code

Name des Moduls Enterprise Architecture Engineering (24)

Inhalte der Unit Ziel der Übungen ist es, die Studierenden anhand kleinen, selbst auszuarbeitenden Szenarien für die behandelten Themenkreise zu sensibilisieren.

Lehrformen Übung

SWS der Unit 2 h

Workload (h) 75 h






Lehrende/-r Prof. Dr. Ruth Schorr, Prof. Dr. Rainer Buhr

Basis-Literatur Siehe Beschreibung Unit Enterprise Architecture Engineering – Vorlesung


Keine

Seite 84/94


Stand: 01. 08. 2019



Keine

Hinweise

Seite 85/94


Stand: 01. 08. 2019


Modul 25 Current Topics in Computer Science Module title Current Topics in Computer Science PO

Module number 25 PO

Module code


Module usability Applicable in other M.Sc. Programs in computer science PO






None

PO



PO

Module examination

Paper written according to international scientific journal standards (processing time 6 weeks) and oral presentation (30 minutes) according to international scientific conference standards. The grade is calculated by the arithmetic mean of the marks for the written report and oral presentation.

PO


• recognize important developments in the field of Computer Science, • incorporate new methods into the software and systems development

process • criticize new technology with respect to their usability in critical systems

development.

Training for non-specialist competencies. Students learn:

• to search for, read, summarize and cite scientific literature on a large scale;

• to read and interpret national and international publications; • to write a report as a scientific paper; • to give a scientific talk.

PO

Module contents Current Topics in Computer Science – Seminar PO

Module teaching methods Seminar PO


PO

Seite 86/94


Stand: 01. 08. 2019


Module availability Annual PO

Module coordination Prof. Dr. Eicke Godehardt

Comments

Unit description of module 25: Current Topics in Computer Science – Seminar

Unit title Current Topics in Computer Science – Seminar

Code

Module title Current Topics in Computer Science (25)

Unit contents Current topics in Computer Science.

Unit teaching methods Seminar

Semester periods per week (h) 2 h

Workload (h) 150 h

Attendance time (h) 36 h

Examination time including preparation (h) 0 h

Private study (h) 114 h

Practical study (h) 0 h


Tutor(s) All professors of the Master's programs Allgemeine Informatik (M.Sc.) and High Integrity Systems (M.Sc.)

Literature Current research literature

Type and form of unit’s assessment None

Evaluation of unit’s assessment None

Notes

Seite 87/94


Stand: 01. 08. 2019


Modul 26 Projekt Intelligente Systeme Modultitel Projekt Intelligente Systeme PO

Modulnummer 26 PO

Modulcode



PO



PO



PO

Empfohlene inhaltliche Vorkenntnisse Vorkenntnisse aus dem Bereich Intelligente Systeme empfohlen

PO



Keine PO

Modulprüfung Projektarbeit (Bearbeitungszeit 15 Wochen) mit Präsentation (mindestens 30, maximal 60 Minuten)

PO


Im Studienfeld „Intelligente Systeme“ erwerben die Absolventinnen und Absolventen Kenntnisse, die sie befähigen aktuelle Schlüsseltechnologien für intelligente interagierende Systeme zu entwickeln, die in einer natürlichen Umwelt auf intuitive Weise mit ihren Nutzern kooperieren.

Insbesondere können die Studierenden

• komplexere Themen und Aufgaben aus dem Studienfeld Intelligente Systeme, deren Lösung nicht durch schematische Anwendung vorformulierter Muster erfolgen kann, analysieren und unter Zuhilfenahme von selbst recherchierter Fachliteratur bearbeiten,

• Konzeptions- und Modellierungsaufgaben unter Berücksichtigung wissenschaftlicher, technischer, ökonomischer und gesellschaftlicher Rahmenbedingungen bzw. Standards mit etablierten Methoden, Techniken und Werkzeugen durchführen und

• das im Studium erworbene Wissen und die darauf aufbauenden Fähigkeiten und Kompetenzen anwenden und erweitern bzw. aktualisieren.

Im Bericht und Vortrag präsentieren die Studierenden einzeln oder gemeinsam erarbeitete Modelle und vertreten diese gegenüber fachlicher Kritik.

PO

Seite 88/94


Stand: 01. 08. 2019


Inhalte des Moduls Projekt Intelligente Systeme PO

Lehrformen des Moduls Projekt PO

Sprache Deutsch PO

Häufigkeit des Angebots von Modulen

Mindestens einmal jährlich; angebotene Projekte werden zu Beginn eines jeden Semesters ausgeschrieben; zugleich wird eine Vorschau auf die Angebote des jeweils folgenden Semesters bekannt gegeben.

PO

Modulkoordination Prof. Dr. Eicke Godehardt

Hinweise

Unitbeschreibung 26: Projekt 1

Name der Unit Projekt Intelligente Systeme

Code

Name des Moduls Projekt Intelligente Systeme (26)

Inhalte der Unit Themen aus dem Bereich Intelligente Systeme

Lehrformen Projekt

SWS der Unit 10 h

Workload (h) 300 h






Lehrende/-r Alle Lehrenden des Studiengangs

Basis-Literatur Themenabhängig, aktuelle Literaturhinweise werden zu Beginn des Semesters bekanntgegeben.


Keine


Keine

Hinweise

Seite 89/94


Stand: 01. 08. 2019


Modul 27 Projekt Digitalisierung Modultitel Projekt Digitalisierung PO

Modulnummer 27 PO

Modulcode



PO



PO



PO


PO



Keine PO


PO


Das Studienfeld „Digitalisierung“ vermittelt die informationstheoretische Methodik und das Handwerkzeug zur Generierung (u. a. mithilfe von Sensoren) und technischen, sicheren Beherrschbarkeit der (großen) Datenmengen, die durch das Internet of Things (IoT) generiert werden. Es ermächtigt ergänzend daher dazu, die Industrie 4.0 mitzugestalten.


• komplexere Themen und Aufgaben aus dem Studienfeld Digitalisierung, deren Lösung nicht durch schematische Anwendung vorformulierter Muster erfolgen kann, analysieren und unter Zuhilfenahme von selbst recherchierter Fachliteratur bearbeiten,


• das im Studium erworbene Wissen und die darauf aufbauenden Fähigkeiten und Kompetenzen anwenden und erweitern bzw. aktualisieren.


PO

Seite 90/94


Stand: 01. 08. 2019


Inhalte des Moduls Projekt Digitalisierung PO


Sprache Deutsch PO



PO


Hinweise

Unitbeschreibung 27: Projekt Digitalisierung

Name der Unit Projekt Digitalisierung

Code

Name des Moduls Projekt Digitalisierung (27)

Inhalte der Unit Themen aus dem Bereich Digitalisierung

Lehrformen Projekt

SWS der Unit 10 h

Workload (h) 300 h







Basis-Literatur Themenabhängig, aktuelle Literaturhinweise werden zu Beginn des Semesters bekannt gegeben.


Keine


Keine

Hinweise

Seite 91/94


Stand: 01. 08. 2019


Modul 28 Projekt Softwaretechnik Modultitel Projekt Softwaretechnik PO

Modulnummer 28 PO

Modulcode



PO



PO



PO


PO



Keine PO


PO


Die Absolventinnen und Absolventen werden durch das Studienfeld „Softwaretechnik“ in die Lage versetzt, die zeitgemäße Umsetzung von verteilten Geschäfts- und Entwicklungsprozess- und IT-Strategien eigenverantwortlich voranzutreiben, sei es durch Analyse und Konzeption in Forschungs- und Entwicklungsprojekten oder durch die ganzheitliche Herangehensweise im Projektmanagementumfeld. Dabei liegt ein besonderer Fokus auf den Herausforderungen durch das automatisierte Lernen aus (großen) Datenmengen unter besondere Berücksichtigung von Sicherheitsaspekten.


• komplexere Themen und Aufgaben aus dem Studienfeld Softwaretechnik, deren Lösung nicht durch schematische Anwendung vorformulierter Muster erfolgen kann, analysieren und unter Zuhilfenahme von selbst recherchierter Fachliteratur bearbeiten,


• das im Studium erworbene Wissen und die darauf aufbauenden Fähigkeiten und Kompetenzen anwenden und erweitern bzw.

PO

Seite 92/94


Stand: 01. 08. 2019


aktualisieren.


Inhalte des Moduls Projekt Softwaretechnik PO


Sprache Deutsch PO



PO


Hinweise

Unitbeschreibung 28: Projekt Softwaretechnik

Name der Unit Projekt Softwaretechnik

Code

Name des Moduls Projekt Softwaretechnik (28)

Inhalte der Unit Themen aus dem Bereich Softwaretechnik

Lehrformen Projekt

SWS der Unit 10 h

Workload (h) 300 h







Basis-Literatur Themenabhängig, aktuelle Literaturhinweise werden zu Beginn des Semesters bekannt gegeben.

Art und Form des Leistungsnachweises der Unit Keine

Bewertung des Leistungsnachweises der Unit Keine

Hinweise

Seite 93/94


Stand: 01. 08. 2019


Modul 29 Master-Arbeit mit Kolloquium Modultitel Master-Arbeit mit Kolloquium PO

Modulnummer 29 PO

Modulcode



PO



PO



PO


Erfolgreicher Abschluss der Module entsprechend der PO im Umfang von 90 ECTS

PO

Voraussetzungen für die Teilnahme am Modul

Erfolgreicher Abschluss zweier der drei Projektmodule sowie für jedes Studienfeld zweier Pflicht- und zweier Wahlpflichtmodule. Die Zulassung zum dritten Projektmodul muss ausgesprochen sein


Keine PO

Modulprüfung Master-Arbeit (Bearbeitungszeit 22 Wochen) und Kolloquium (mindestens 30, maximal 60 Minuten)

PO


Die Absolventinnen und Absolventen sind qualifiziert, um kompetent, eigenverantwortlich und selbständig anspruchsvolle und innovative Funktionen in Projektierung, Projektdurchführung, Entwicklung, Beratung, Vertrieb in Unternehmen der Wirtschaft, Industrie sowie der öffentlichen Hand auszuüben bzw. sich in der Forschung weiter zu qualifizieren.

Die Absolventinnen und Absolventen werden befähigt, komplexere Probleme und Aufgaben in der unternehmerischen Praxis (z. B. „Industrie 4.0“, „Internet der Dinge“, R&D Projekte) im Team erfolgreich zu bearbeiten. Diese Probleme und Aufgaben erfordern einen ganzheitlichen und grundlagenbasierten Analyse- und Konzeptionsansatz, für den oft noch keine standardisierten Vorgehensmodelle und/oder widerstreitende Lösungsansätze existieren. Die Absolventinnen und Absolventen sind weiter befähigt, Implikationen ihres Handelns in Form zukünftiger Probleme, Technologien und Entwicklungen zu antizipieren.

PO

Inhalte des Moduls Master-Arbeit mit Kolloquium PO


Sprache Deutsch PO

Seite 94/94


Stand: 01. 08. 2019


Häufigkeit des Angebots von Modulen jedes Semester

PO


Hinweise

Unitbeschreibung 29: Masterarbeit mit Kolloquium

Name der Unit Masterarbeit mit Kolloquium

Code

Name des Moduls Masterarbeit mit Kolloquium (29)

Inhalte der Unit Masterarbeit mit Kolloquium Lehrformen Projekt

SWS der Unit 0 h

Workload (h) 900 h







Basis-Literatur Themenabhängig, aktuelle Literaturhinweise werden zu Beginn der Masterarbeit bekanntgegeben.


Master-Arbeit (Bearbeitungszeit 22 Wochen, Gewicht für Modulnote 70%) und Kolloquium (mindestens 30, maximal 60 Minuten, Gewicht für Modulnote 30%)


Differenziert (Note 1–4; gemäß der Allg. Bestimmungen für Prüfungsordnungen mit den Abschlüssen Bachelor und Master an der Frankfurt University of Applied Sciences)

Hinweise

Documents

des konsekutiven Master-Studiengangs Allgemeine Informatik · 2019. 11. 21. · • kooperatives und verantwortliches Arbeiten in Gruppen • Einschätzen der eigenen Stärken und